University of Michigan（密歇根大学安娜堡分校）

The Age of Curiosity Meets the Age of AI: Benchmarking Child Safety in Large Language Models

好奇心时代遇上AI时代：大型语言模型中的儿童安全基准测试

Samee Arif, Angana Borah, Rada Mihalcea

机构 * University of Michigan（密歇根大学） 纠错

AI总结 针对7-11岁儿童使用LLM的安全性问题，提出基于发展心理学的KIDBench基准，通过隐式线索和显式年龄指令提升安全性，并开发了儿童安全评估器KIDGuardLlama和响应模型KIDLlama。

Recursive Flow Matching

递归流匹配

Jiahe Huang, Sihan Xu, Sharvaree Vadgama, Rose Yu

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Michigan（密歇根大学） 纠错

AI总结 提出递归流匹配（RecFM）框架，通过自一致性约束对齐不同离散化尺度的轨迹，实现高保真单步或少步（2-4步）动态生成，在科学基准上相比领先扩散模拟器加速20倍且提升预测精度。

Comments Project page: https://jhhuangchloe.github.io/RecFM/

RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies

RoboMME：机器人通用策略的记忆基准与理解

Yinpei Dai, Hongze Fu, Jayjun Lee, Yuejiang Liu, Haoran Zhang, Jianing Yang, Chelsea Finn, Nima Fazeli, Joyce Chai

机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学） ； Figure AI 纠错

AI总结 提出RoboMME基准，通过16个操作任务评估VLA模型在长时程和历史依赖场景中的记忆能力，并基于π0.5骨干网络探索14种记忆增强变体，发现记忆表示的有效性高度依赖于任务。

Comments Accepted to ICML 2026

Belief-Sim: Towards Belief-Driven Simulation of Demographic Misinformation Susceptibility

Belief-Sim：迈向信念驱动的人口统计错误信息易感性模拟

Angana Borah, Zohaib Khan, Rada Mihalcea, Verónica Pérez-Rosas

机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； Texas State University（德克萨斯州立大学） 纠错

AI总结 提出BeliefSim框架，利用心理学分类和调查先验构建人口信念档案，通过提示条件化和后训练适应，实现基于信念模拟人口统计错误信息易感性，对齐度达92%。

Comments Paper Under Review

Adapting Actively on the Fly: Relevance-Guided Online Meta-Learning with Latent Concepts for Geospatial Discovery

在飞行中主动适应：基于相关性的在线元学习与潜在概念用于地理空间发现

Jowaria Khan, Anindya Sarkar, Yevgeniy Vorobeychik, Elizabeth Bondi-Kelly

机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安阿伯分校） ； Washington University in St. Louis, St. Louis, MO, USA（华盛顿大学圣路易斯分校） 纠错

AI总结 提出一个统一的地理空间发现框架，结合主动学习、在线元学习和概念引导推理，通过概念加权不确定性采样和相关性感知元批次形成策略，在有限数据和动态环境下高效发现隐藏目标。